Oco
PulseAugur coverage of Oco — every cluster mentioning Oco across labs, papers, and developer communities, ranked by signal.
-
专家问题和OCO的极小极大交替遗憾已解决 · 跟踪2个来源
研究人员已经解决了专家问题和在线凸优化（OCO）的极小极大遗憾率问题。对于d专家问题，极小极大交替遗憾被证明是 $\Theta(\log d)$，独立于时间跨度T。这比Hait等人建立的 $\mathcal{O}(T^{1/3}\log^{2/3} d)$ 等先前界限有了显著改进。对于d维紧凸集上的通用OCO，极小极大交替遗憾是 $\Theta(d\log(1+T/d))$，也比先前结果有了实质性改进。这些发现是通过对Hedge等现有…
-
新架构统一材料本体以符合法规要求
研究人员提出了一种新颖的面向可复用材料本体的多层次架构，以解决该领域的碎片化问题。该架构具有独立的抽象级别和消费者受众分类轴，旨在将材料特定数据与法规合规性要求相结合。提出的OntoCrafter陶瓷本体(OCO)作为参考实现，将陶瓷材料数据组织成一个七层机械解释框架。
-
新的arXiv论文详细介绍了凸优化技术的进展
arXiv上的两篇新研究论文探讨了凸优化的进展。第一篇论文介绍了一种用于在线凸优化（OCO）的统一探测模型，该模型即使在亚线性和噪声探测预算下也能改善最坏情况下的遗憾。第二篇论文提出了基于哈密顿动力学的算法，实现了光滑凸优化的加速收敛速率，将哈密顿动力学确立为确定性加速凸优化的一种有用基元。
-
新的 OOD 检测方法利用物体共现提高可靠性
研究人员开发了一个名为物体共现 (OCO) 的新框架，以改进深度学习模型中的分布外 (OOD) 检测。该方法利用物体在图像中自然地一起出现的趋势，这是当前模型经常忽略的上下文线索。OCO 分析物体共现模式，以更好地区分分布内和分布外数据，特别是在具有挑战性的近 OOD 场景中。实验表明，OCO 在各种 OOD 设置下均取得了有竞争力的结果，解决了语义和协变量偏移问题。